基于词袋模型的高分辨率影像中建筑物提取方法研究

发布时间：2017-08-28 15:07

  本文关键词：基于词袋模型的高分辨率影像中建筑物提取方法研究

  更多相关文章： 分类 SIFT 词袋模型 空间金字塔模型 MRF 支持向量机 Grab Cut

【摘要】：地理国情是通过地理空间属性将自然环境与资源、科技教育状况、经济发展状况、国际环境等在内的各类国情进行关联与分析,从而揭示经济社会发展的时空演变和内在关系的综合国情,而这些基础信息的获取离不开遥感影像数据的支撑。随着高分一号卫星与高分二号卫星的成功发射与运行,为我国的基础国情普查工作提供了充足的数据保障,不仅可以快速获取大面积高分辨率影像,而且影像数据更新周期短。然而传统的人工目视解译方法已经不能满足现代化信息更新速度的要求,如何快速、高效的处理获取的海量高分辨率影像数据已成为目前亟待解决的关键问题。本论文以解决自动、高效提取感兴趣信息为目的,结合基于词袋模型的标注方法和基于Grab Cut图像分割的边界提取方法完成感兴趣目标的提取。通过以提取高分辨率影像中的建筑物信息为例进行实验,并取得了一定的实验结果。论文中介绍了两种基于词袋模型的标注方法,第一种是基于空间金字塔的词袋模型的标注方法。该方法中采用SIFT描述子作为特征单词,通过K-means聚类方法得到词典,结合空间金字塔理论建立具有三层词汇频率直方图特征的影像特征模型,使用SVM分类器进行分类。通过标注2米分辨率影像和0.5米分辨率影像中的建筑物信息证明了该方法具有较好的标注效果。第二种是基于MRF特征的词袋模型的标注方法。该方法结合马尔科夫随机场理论的思想,将邻域内像素按照一定的顺序进行排列组合成视觉单词,这样既包含了上下文信息也减少了原始信息的丢失。实验结果表明,该方法的正确率虽比第一种方法略低,但整体时间效率比第一种方法高了近一倍。基于Grab Cut分割的边界提取方法是在标注出目标信息的影像基础上,获取其中目标的细化边界信息。该方法是将标注影像中连通的标注目标信息从原始影像中截取为一个个小影像,然后对每幅提取出来的小影像采用Grab Cut算法进行图像分割,并最终获取影像中目标的完整边界信息。采用该方法分别对2米分辨率的卫星影像和0.5米分辨率的航拍影像进行建筑物边界的提取实验,并取得了较好的结果。
【关键词】：分类 SIFT 词袋模型 空间金字塔模型 MRF 支持向量机 Grab Cut
【学位授予单位】：西安科技大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP751;P237
【目录】：

• 摘要1-2
• ABSTRACT2-6
• 1 绪论6-14
• 1.1 选题背景和研究意义6-7
• 1.2 高分辨率影像中建筑物目标提取研究的国内外现状7-9
• 1.3 基于词袋模型的影像分类研究的国内外现状9-11
• 1.4 论文研究内容与结构11-14
• 1.4.1 论文内容11-12
• 1.4.2 论文结构12-14
• 2 基于空间金字塔的词袋模型的标注方法研究14-32
• 2.1 基于视觉词袋模型的标注方法介绍14-15
• 2.2 基于空间金字塔的词袋模型的方法介绍15-26
• 2.2.1 基于SIFT的特征表达16-20
• 2.2.2 视觉词典的获取20-21
• 2.2.3 空间金字塔模型的构建21-23
• 2.2.4 SVM分类器23-25
• 2.2.5 基于空间金字塔词袋模型的建筑物标注方法25-26
• 2.3 实验结果与分析26-30
• 2.3.1 高分一号影像实验27-28
• 2.3.2 航拍影像实验28-30
• 2.4 本章小结30-32
• 3 基于MRF特征的词袋模型的标注方法研究32-40
• 3.1 基于MRF特征的词袋模型方法的介绍32-36
• 3.1.1 邻域系统与基团32-34
• 3.1.2 马尔科夫随机场34-35
• 3.1.3 基于MRF特征的词袋模型标注建筑物的方法35-36
• 3.2 实验结果与分析36-39
• 3.2.1 高分一号影像实验37
• 3.2.2 航拍影像实验37-39
• 3.3 本章小结39-40
• 4 基于Grab Cut的目标边界提取方法40-50
• 4.1 Grab Cut图像分割算法40-44
• 4.1.1 构建网络图和S-T流图40-41
• 4.1.2 构建能量函数41-42
• 4.1.3 能量函数最小化求最优割42-44
• 4.2 连通区域检测44-46
• 4.2.1 连通区域检测方法介绍44-45
• 4.2.2 连通区域检测实验45-46
• 4.3 基于Grab Cut的建筑物边界提取方法46-47
• 4.4 建筑物边界提取实验47-49
• 4.4.1 高分一号影像实验47-48
• 4.4.2 航拍影像实验48-49
• 4.5 本章小结49-50
• 5 总结与展望50-53
• 5.1 总结50-51
• 5.2 展望51-53
• 致谢53-54
• 参考文献54-57

【参考文献】

中国期刊全文数据库 前2条

1 周皓;李少洪;;SVM最优分类面相对位置的修正[J];北京航空航天大学学报;2009年11期

2 徐正光;鲍东来;张利欣;;基于递归的二值图像连通域像素标记算法[J];计算机工程;2006年24期

，

本文编号：748242